EUVIMEDEUVIMED entdecken
Open Access · CC BY-NC-ND 4.0

Leveraging Persistent Homology Features for Accurate Defect Formation Energy Predictions via Graph Neural Networks

Zhenyao Fang iD, Qimin Yan

Chemistry of Materials · 25.02.2025 · 37 (4) · 1531-1540

DOI: 10.1021/acs.chemmater.4c03028 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Chemistry of Materials, online erschienen am 06.02.2025. Verfasst von Zhenyao Fang und 1 weiteren Autor:innen. Beteiligte Einrichtung: Department of Physics, Northeastern University, Boston, Massachusetts 02115, United States. Die Arbeit wurde bisher 28-mal zitiert (Crossref) und nennt 62 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0). Gefördert von: Division of Materials Research.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Kein Abstract verfügbar.

Autor:innen und Institutionen

  • Department of Physics, Northeastern University, Boston, Massachusetts 02115, United States.

ORCID-Profile: Zhenyao Fang

Förderung

  • Division of Materials Research

Zitieren

APA

Fang, Z., & Yan, Q. (2025). Leveraging Persistent Homology Features for Accurate Defect Formation Energy Predictions via Graph Neural Networks. Chemistry of Materials, 37(4), 1531-1540. https://doi.org/10.1021/acs.chemmater.4c03028

Vancouver

Fang Z, Yan Q. Leveraging Persistent Homology Features for Accurate Defect Formation Energy Predictions via Graph Neural Networks. Chemistry of Materials. 2025;37(4):1531-1540. doi:10.1021/acs.chemmater.4c03028

BibTeX
@article{Fang2025,
  author = {Fang, Zhenyao and Yan, Qimin},
  title = {Leveraging Persistent Homology Features for Accurate Defect Formation Energy Predictions via Graph Neural Networks},
  journal = {Chemistry of Materials},
  year = {2025},
  volume = {37},
  number = {4},
  pages = {1531--1540},
  doi = {10.1021/acs.chemmater.4c03028}
}
Kostenlos starten →